通过归一化流助力的神经量子态提高基态估计
量子物理
2025-06-17 v1 机器学习
高能物理 - 格点
高能物理 - 唯象学
摘要
我们提出了一种混合变分框架，通过归一化流 (Normalising Flow) 基于采样器来增强神经量子态 (NQS) 的表达性和可训练性。我们的 метод将采样任务与变分 ansatz 解耦，通过学习一个目标离散幅度支撑希尔伯特空间子空间的连续 flow 模型。这克服了 MCMC 和自回归方法的局限，尤其是在长程关联和体积律纠缠的 regime 中。应用于具有短程和长程相互作用的横向场 Ising 模型，我们的方法在与最先进的矩阵积聚态 (MPS) 相当的基态能量误差下，优于自回归 NQS。对于最多 50 个自旋的系统，我们展示了在广泛的耦合强度范围内实现高精度和稳健收敛，包括竞争方法会失败的 regime。我们的结果展示了 flow 辅助采样作为量子模拟可扩展工具的实用性，提供了一种新的方法来学习高维希尔伯特空间中表达性强的量子态。
引用
@article{arxiv.2506.12128,
title = {Improved Ground State Estimation in Quantum Field Theories via Normalising Flow-Assisted Neural Quantum States},
author = {Vishal S. Ngairangbam and Michael Spannowsky and Timur Sypchenko},
journal= {arXiv preprint arXiv:2506.12128},
year = {2025}
}